《Natural Products and Bioprospecting》：From structure prediction to ligand–target recognition: expanding the reach of AlphaFold in natural product research
天然产物（Natural Products, NPs）构成了结构多样的生物活性分子库，并仍然是药物发现中先导化合物（Lead Compounds）的重要来源。然而，药理靶点（Pharmacological Targets）和生物分子相互作用（Biomolecular Interactions）的结构信息有限，持续阻碍着机制阐明（Mechanism Elucidation）和基于结构的优化（Structure-Guided Optimization），尤其对于复杂天然产物，如生物活性肽（Bioactive Peptides）、蛋白质类天然产物（Proteinaceous Natural Products）和天然分子胶（Natural Molecular Glues）。近年来，AlphaFold（AF）的最新进展通过实现蛋白质结构（Protein Structures）和生物分子复合物（Biomolecular Complexes）的高置信度预测，变革了结构生物学（Structural Biology），为基于结构的天然产物研究提供了前所未有的机遇。除了传统的基于结构的虚拟筛选（Structure-Based Virtual Screening, SBVS）之外，新兴的共折叠策略（Co-folding Strategies）在改善天然产物筛选的早期富集（Early Enrichment）以及阐明复杂天然产物与其靶点的结合机制（Binding Mechanisms）方面展现出巨大潜力。本综述总结了AlphaFold辅助的天然产物研究的最新进展，包括靶点结构预测（Target Structure Prediction）、命中化合物与先导化合物发现（Hit and Lead Discovery）、共折叠启用的相互作用分析（Co-folding-Enabled Interaction Analysis）、肽源及蛋白质源天然产物的机制研究（Mechanistic Investigation of Peptide- and Protein-Derived Natural Products），以及AlphaFold在天然分子胶发现中的新兴潜力。研究人员进一步讨论了结构预测和相互作用建模中的当前局限与未来方向。总体而言，AlphaFold正在重塑从先导化合物发现到机制表征的天然产物研究，在推进大分子天然产物（Macromolecular Natural Products）和分子胶介导的治疗学（Molecular Glue-Mediated Therapeutics）方面具有特别前景。
1 Introduction
天然产物（Natural Products, NPs）广泛分布于植物、动物、微生物及海洋生物，构成结构多样的生物活性成分库，成为药物、营养补充剂及化妆品的重要来源，超过一半的FDA批准药物源自天然产物。然而，研究面临多重瓶颈：基于结构的虚拟筛选（Structure-Based Virtual Screening, SBVS）受限于实验结构稀缺；蛋白类及肽类天然产物构象柔性大，结构建模困难；蛋白质-蛋白质相互作用（Protein-Protein Interactions, PPIs）等相互作用表征不足；且蛋白质-蛋白质或蛋白-肽界面平坦、缺乏明确结合口袋，导致对接富集效率低下。AlphaFold3（AF3）基于扩散架构（Diffusion-Based Architecture）可预测蛋白质、核酸、小分子、离子及修饰残基等多元实体结构。AlphaFold（AF）能精确预测蛋白质-蛋白质及蛋白-肽相互作用，将研究拓展至PPIs靶向和大分子天然产物；AF衍生结构还可作为虚拟筛选和先导优化的高置信度模板。AF3共折叠策略（Co-folding）可直接预测结合复合物，为分子胶（Molecular Glues, MGs）研究提供新途径。本文综述AF系列方法在天然产物研究中的进展，重点探讨其在蛋白质类天然产物及共折叠药物发现中的拓展作用。
2 Evolution of AlphaFold and the principles and advantages of AlphaFold3
2.1 Iterative development
AlphaFold于2018年CASP竞赛崭露头角，在不依赖模板情况下达到当时最先进模板方法精度。此后历经迭代：从初代AlphaFold到AlphaFold2（AF2）、AlphaFold蛋白质结构数据库（AlphaFold DB）、AlphaFold Multimer（AFM），最终发展至AF3。每次迭代均在预测精度及可研究生物体系范围上显著提升。
2.2 Network architecture
相较于AF2，AF3引入显著架构创新，可归为四个核心部分。首先，AF3采用分层多尺度Transformer架构，同时建模局部结构细节与全局空间组织，赋予跨多种蛋白质体系的强泛化能力。其次，Pairformer模块摆脱对多序列比对（Multiple Sequence Alignment, MSA）的过度依赖，同时操作单表示与配对表示；三角形更新（Triangle Update）整合成对残基信息，三角形自注意力（Triangle Self-Attention）增强关键残基间相互作用建模，过渡层（Transition Layers）更新单表示，带配对偏置的单注意力（Single Attention with Pair Bias）通过纳入成对结构信息捕获残基级依赖。第三，AF3引入基于扩散的生成模块（Diffusion-Based Generative Module），将结构生成建模为渐进正向加噪与反向去噪过程；正向过程将蛋白质结构逐步扰动为随机噪声，建立可逆概率映射；反向过程通过深度神经网络从随机输入中学习噪声分布，逐步去噪重建主链构象与扭转角，逼近实验真实构象。最后，AF3集成增强置信度模块，包括预测局部距离差异测试（Predicted Local Distance Difference Test, pLDDT）、预测对齐误差（Predicted Aligned Error, PAE）及新引入的预测距离误差（Predicted Distance Error, PDE）；pLDDT取值0–100，高于90表示极高精度，较低PAE反映残基对间相对位置与取向明确，较低PDE提示预测残基间距离精度更高。
2.3 Advantages
与传统方法相比，AF提供了前所未有的结构覆盖。基于AF2的AlphaFold DB覆盖UniProt蛋白质组广泛结构，包含人类蛋白质组及47个额外物种，预测超过2亿条序列，提供免费大规模资源。截至2026年1月，PDB仅约25.1万实验结构，UniProtKB超2.03亿条序列，AF有效弥合序列-结构鸿沟。AF在蛋白质结构预测、多分子复合物预测及虚拟筛选方面显著优于同源建模和传统对接。不同于依赖结构解析同源模板的同源建模，AF2基于神经网络架构在无合适模板时仍可实现精确预测，对跨膜蛋白等挑战性靶点尤为突出。基准评估显示AF2模型优于SWISS-MODEL和MODELLER生成的同源模型。针对TAAR1的前瞻性研究显示，使用AF2预测结构对超过1600万化合物虚拟筛选命中率达60%，而同源模型仅22%；5-HT2A受体对接中AF2模型（26%）与冷冻电镜（Cryo-EM）结构（23%）成功率相当，证实AF2预测结构在虚拟筛选中可媲美实验结构。
3 Research progress on AlphaFold-derived models
AF衍生模型通过四个互补方向缓解静态结构预测局限。构象动态性方面，AlphaFolding、DynamicBind及AlphaFold-Metainference捕获蛋白质运动，刚性模型难以表征这些动态。可扩展性方面，ColabFold实现高通量批量预测。整合预测方面，SPOC融合结构与生物特征以提升性能。特殊靶点方面，FragFold、OpenFold、DiffBindRF及带循环偏移的AlphaFold增强特定靶点类别预测精度。
4 Structural prediction of canonical targets of natural products
天然产物是药物发现重要来源，但其靶点结构信息匮乏构成主要障碍。在基于结构的药物设计（Structure-Based Drug Design, SBDD）中，蛋白质结构主要来源于PDB，现有数据库远不能满足需求。主要药物靶点——包括受体、酶和离子通道——通常含有变构位点（Allosteric Sites），可在正构位点之外调控活性。
4.1 Receptors
AF有助于弥合信号转导蛋白结构空白，为天然产物虚拟筛选提供精确模型与结合位点信息。对于人类疾病相关靶点，当PDB条目缺失时，AF建模可补充结构数据，如利用AF2对金银花中潜在靶点PECAM1和SPP1建模，为对接分析提供可靠模板。AF在跨物种靶点预测中亦展现价值，如采用AF2建模猴痘病毒TMPK，以及AF3对缺乏实验数据的SARS-CoV-2蛋白NSP6建模，随后利用CASTp和PrankWeb鉴定潜在天然产物结合位点。
4.2 Enzymes
许多天然产物通过正构或变构机制靶向催化蛋白发挥生物活性。正构调控中，AF为缺乏实验结构或低序列同源性靶标酶提供高精度三维（3D）结构。在Qigui Jiangzhi Formula治疗代谢相关脂肪性肝病研究中，AF3预测AMPK和SIRT1等关键酶结构，结合实验成分进行分子对接与分子动力学模拟筛选活性成分。AF还能实现亚型层面分析，支持选择性天然活性化合物设计；AF3成功建模人酪氨酸酶，克服同源方法对低同源性靶点的局限，并通过比较AF2预测的同源物结构指导选择性化合物设计，减少脱靶效应和毒性。变构调控中，由于枞二烯合成酶可用晶体结构代表非活性开放构象，AF2被用于预测催化活性闭合构象，揭示N端残基及三个环如何协同封闭活性位点，从而辨别R578和R580的不同变构功能，这些信息在非活性晶体结构中无法获得。此外，氢-氘交换质谱（Hydrogen-Deuterium Exchange Mass Spectrometry, HDX-MS）提供蛋白质构象柔性与动态区域的实验信息，可空间映射到II类羊毛硫肽合成酶的AF2预测结构上；将HDX-MS数据与AF2模型整合，有助于识别参与构象转换的保守或可变结构域，为解读天然产物诱导的变构效应提供分子机制框架。
4.3 Ion channels
AF已成为研究天然产物与离子通道相互作用的有价值结构工具，尤其在实验结构不完整或缺失情况下。AF已整合入离子通道药物发现工作流程，促进基于结构的通道-配体相互作用及亚型选择性分析。在天然来源肽毒素研究中，AF3模型可补充实验结构，重建功能相关通道构象。例如针对内向整流钾通道的孔道阻塞毒素SsTx-4，AF3辅助结构分析阐明了孔道阻塞机制，解析了对毒素识别至关重要的通道区域，这些区域在实验结构中未被完全捕获。
5 Hit-to-lead discovery and optimization
5.1 AlphaFold-enabled hit-to-lead discovery and optimization
天然产物仍是先导化合物重要来源，但临床转化常受限于水溶性差、口服生物利用度低、药代动力学性质不佳及潜在毒性。当靶蛋白三维结构可得时，基于结构的药物设计成为可能。AF通过原子级蛋白质结构预测，为天然产物先导化合物结构引导优化提供了强大高效工具。先导优化通常遵循系统工作流程：靶点结构确定、药效团提取、分子对接与分子动力学模拟联用、命中化合物体外与体内验证及先导结构优化。以天然组蛋白去乙酰化酶（Histone Deacetylase, HDAC）抑制剂为例，AF2预测的HDAC11模型经Zn2
+离子优化后，准确放置金属中心于赖氨酸结合口袋内，去除空间位阻并重现双齿螯合模式。基于高置信度TSA-HDAC11复合物的药效团特征获得12,154个候选化合物，经对接、分子动力学模拟、亚型选择性过滤及酶分析后鉴定出命中化合物ZINC000028464438。
5.2 Hit identification via AlphaFold-based co-folding
共折叠是预测蛋白质结构及其相互作用配体的同步深度学习框架。AF3革新了蛋白质-配体预测范式，精度常超过传统对接。COValid基准数据集包含874个活性丙烯酰胺原型和37,919个性质匹配拓扑不同的诱饵，涵盖9个蛋白靶点10个半胱氨酸附着位点（包括8个激酶和KRAS G12C）。AF3在该数据集上取得平均校正局部曲线下面积（adjusted LocAUC）71.8 ± 5.9%，显著优于DOCK6（12.1 ± 9.9%）。进一步评估显示，采用最小预测对齐误差（min-iPAE）置信度评分的AF3样模型（包括AF3 min-iPAE和Boltz-2 min-iPAE）在AUROC、BEDROC及富集因子（Enrichment Factors, EF）等关键指标上于DEKOIS2.0数据集保持稳定表现，平均AUROC达0.913，平均BEDROC为0.755，平均EF0.5%为22.98，优于Glide、AutoDock Vina等传统对接工具及Gnina等人工智能对接工具。AF3共折叠策略在天然产物药物发现命中化合物识别中展现良好前景，其强性能源于ipTM和min-iPAE等置信度指标的区分能力，这些指标在共价与非共价结合场景中均表现稳定。
6 Structural prediction and interaction analysis of macromolecular natural products with their targets
大分子天然产物——包括蛋白质和肽——对结构和相互作用分析构成重大挑战。与传统依赖预定义蛋白质结构的对接方法不同，AF共折叠可同时预测靶蛋白及其相互作用伙伴，通过协调折叠和界面形成推断药物-靶点结合模式。
6.1 Peptide natural products
肽类天然产物（Peptide Natural Products, PNPs）是药物发现重要来源，具有高度特异性和多样生物活性，已获批的源自天然肽的制药包括抗生素万古霉素、抗癌药物放线菌素D和romidepsin、镇痛药齐考诺肽及抗蠕虫药莫奈太尔。PNPs具有序列短及序列组成和三维（3D）构象多样性显著等突出结构特征，伴随比小分子配体更复杂的相互作用界面，导致实验解析肽结构稀缺，传统结构依赖计算方法适用性受限。
6.1.1 Structural prediction of peptide natural products
AF通过灵活预测策略在建模不同长度肽方面展现优势，对短于30个残基的肽精度达常规同源建模无法企及水平。对于31个氨基酸残基的长链抗癌肽（Anticancer Peptides, ACPs），直接预测显示其主要形成α-螺旋二级结构；对于六肽，先鉴定全长前体蛋白并预测其结构，再提取活性肽段以获得精确结构模型用于下游分子对接。AF在分析结构多样的肽构象方面亦展现强大能力，例如应用AF3分析来自四种海葵物种的36个ShK结构域肽，鉴定控制结合稳定性和特异性的结构决定因素。AF2大规模肽结构预测促进结构数据库构建，为获取结构数据和发现新型生物活性肽奠定基础，例如建模未表征抗病毒肽以扩展现有数据库，以及利用AF2预测的antimicrobial peptide结构作为基准数据集训练深度AMPNet模型实现高精度识别。
6.1.2 Interaction analysis between target proteins and peptide natural products
PNPs研究主要瓶颈在于其柔韧性和构象异质性，导致结合模式与小分子显著不同，常规分子对接难以精确预测。AF基方法无需模板即可精确预测肽-受体复合物中的结合模式和关键位点。例如应用AF3建模鲜味受体T1R1与44种候选肽的复合物，鉴定潜在结合亲和力肽并澄清鲜味识别核心；利用AFM建模多肽VAPFPEVF与TAS2R16受体的复合物，分子动力学模拟揭示该肽与水杨苷占据相同结合位点，为竞争性抑制和受体调控提供结构基础。
6.2 Proteinaceous natural products
蛋白质类天然产物指源自天然来源的活性大分子，包括蛇毒毒素、酶类蛋白质和植物源生物活性蛋白，因其独特的三维（3D）架构和强生物活性而成为药物发现与化学生物学研究的重要资源。
6.2.1 Structural prediction of proteinaceous natural products
尽管大量蛋白质类天然产物尚未被充分研究，许多源自研究较少的生物且缺乏实验结构，阻碍了其药理作用分子机制研究。蛇毒据估计包含19,000至25,000种毒素，但仅有约2,000种被描述，且不足10%具有实验结构。深度学习结构预测方法——特别是AF——加速了蛋白质类天然产物的发现，通过生成高精度结构模型实现实验不可即蛋白质的结构表征。例如，研究者利用AF2预测超过1,000种缺乏实验数据的蛇毒蛋白模型，多数预测处于置信或高置信范围。
6.2.2 Interaction analysis between proteinaceous natural products and target proteins
蛋白质-蛋白质相互作用介导蛋白质类天然产物与其生物靶点的识别。AF2和AFM在预测蛋白质复合物结构方面取得突破，AFM成功应用于异源蛋白质-蛋白质相互作用预测，优于ZDOCK等传统对接方法，在抗体-抗原复合物等挑战性体系中优于RoseTTAFold等方法。通过大规模采样，AFM在CAPRI中的中高准确度率显著提高至50%以上。目前研究主要聚焦生理和病理过程中的蛋白质-蛋白质相互作用，而蛋白质类天然产物与靶点相互作用的系统基准测试和案例研究仍然稀缺。
7 AlphaFold-enabled strategies for natural product molecular glues targeting protein–protein interactions
7.1 Druggability challenges of PPI interfaces
与具有明确紧凑结合口袋的经典药物靶点不同，蛋白质-蛋白质相互作用（PPIs）通常发生在较大、相对平坦且疏水的界面上，长期以来被视为不可成药且难以通过传统药物设计策略调控。这种不可成药性意味着人类蛋白质组中绝大多数仍然不可成药。然而，某些天然产物充当分子胶（Molecular Glues, MGs），诱导蛋白质-天然产物-蛋白质三元复合物的形成。分子胶通过稳定内源性蛋白相互作用或在界面协同结合诱导新的蛋白质-蛋白质相互作用以形成稳定三元复合物。例如，天然产物fusicoccin A、cotylenin A及其半合成衍生物可作为分子胶稳定枢纽蛋白14-3-3与其客户蛋白的蛋白质-蛋白质相互作用界面。尽管取得这些进展，阐明天然产物介导的蛋白质-蛋白质相互作用结合模式及相关构象变化仍面临重大挑战。
7.2 AlphaFold as a structural solution for natural molecular glue research
AF3和AFM为天然产物分子胶研究提供了建模蛋白质复合物和分析蛋白质-蛋白质相互作用界面的结构框架。在缺乏实验结构时，AF3生成的模型可作为分子动力学模拟的可靠起始构象。AF3共折叠策略可直接预测三元复合物。pLDDT和PAE等置信度指标可定量评估界面质量和结构可靠性。然而，这些方法直接应用于天然产物介导的蛋白质-蛋白质相互作用调控仍有限度：AF预测结构常呈现类似无配体（Apo-like）构象，而对接方法通常依赖类似有配体（Holo-like）结合位点，可能导致配体诱导相互作用建模不准确。此外，弱或瞬时蛋白质-蛋白质相互作用共进化信号有限且界面不明确，难以预测；分子胶诱导的蛋白质-蛋白质相互作用在其天然状态下常为弱甚至无相互作用，因此缺乏强进化约束。当前模型未专门针对分子胶介导的三元复合物训练，限制了其泛化能力。
7.3 AlphaFold-based strategies for characterizing molecular glue-mediated ternary complexes
已开发两种互补计算策略用于表征分子胶介导的三元复合物。第一种将AFM用于蛋白质复合物预测与分子对接及动力学模拟相结合以表征相互作用模式；第二种利用AF3共折叠能力直接预测蛋白质-配体-蛋白质三元组装体。
7.3.1 AlphaFold-Multimer-based prediction coupled with molecular docking
近期研究系统调查了分子胶介导复合物形成的两种途径。第一种途径中，蛋白质-蛋白质界面在配体结合前已存在，AFM用于预测二元复合物，随后在界面对接配体，例如GluN1b-ifenprodil-GluN2B体系。第二种途径中，小分子初始结合于一种蛋白后招募伙伴蛋白，由于两种蛋白最初无相互作用，直接AFM建模常不适用，如CRBN-pomalidomide-IKZF1和FKBP-rapamycin-FRB体系，此时采用分步策略：先进行初始配体对接，随后纳入第二种蛋白，产生具有高三元结构一致性的复合物。
7.3.2 Direct ternary complex prediction via AlphaFold3 co-folding
AF3共折叠通过整合天然分子胶的SMILES字符串与蛋白质伙伴的氨基酸序列，直接预测三元复合物，重点分析分子胶如何诱导新的蛋白质-蛋白质相互作用或稳定天然相互作用。该方法的实用性进一步体现于一个全面的蛋白质-分子胶-蛋白质三元复合物数据库的开发，该库整合了两种三元复合物结构：317个从PDB直接收集的结构及额外由AF3生成的复合物。对于AF3生成模型，仅保留分子胶链界面模板建模（ipTM）高于0.68且平均pLDDT高于70的预测。该过滤策略实现0.71的F1分数，精确度0.58，召回率0.93，产生3,607个高置信度三元复合物模型。
8 Challenges, complementary solutions, and emerging advances in AlphaFold-based structure prediction
8.1 Current limitations and complementary solutions
AF预测结构可能出现立体化学违规，包括原子冲突、肽平面扭曲和手性反转。这些问题可通过基于违规损失项强制肽键几何结构，随后在Amber中通过梯度下降进行结构松弛以缓解，同时保留全局主链折叠。另一局限在于幻觉效应，特别是在内在无序区域建模中，AF3可能错误预测紧凑有序构象。为缓解此问题，研究者提出跨蒸馏策略，将AFM（v2.3）预测的结构纳入训练数据集；由于AFM倾向于将无序区域表示为伸展构象，此方法有助于将低置信度区域正确指派为无序或柔性环区，从而减少幻觉效应。此外，AF未显式考虑分子动力学和构象柔性，而这通常对阐明天然产物-靶点相互作用至关重要。例如在人T型电压门控钙通道建模中，AF3成功补充了实验结构缺失区域，但优先采用非活性构象，限制其与激动剂的对接；这种行为可能反映了AF3对热力学稳定、无配体离子通道非活性构象的偏向。若干方法已被开发以纳入动态信息，如AlphaFolding、DynamicBind和AlphaFold-Metainference整合分子动力学模拟数据以建模构象集合；互补地，慢特征分析（Slow Feature Analysis）训练于从AF2生成的构象集合出发进行的短且无偏分子动力学模拟，可识别稀有但功能相关事件，包括隐蔽口袋开放、蛋白质-配体结合及激酶变构调控。
8.2 Emerging advances: beyond AlphaFold3
尽管这些缓解策略增强了AF3的适用性，该领域正迅速向整合结构预测与药理学评估的统一平台发展。代表性进展是Isomorphic Labs于2026年2月推出的Drug Design Engine（IsoDDE）。IsoDDE在单一系统内整合结构建模、结合亲和力估计和隐蔽结合位点识别，直接规避了基于AF3工作流的局限。在抗原-抗体复合物建模中，IsoDDE取得远高于AF3的成功率。此外，该平台可从原始氨基酸序列推断隐蔽结合位点，实现快速活性口袋识别。被称为AlphaFold 4级进步的IsoDDE已成为基于结构的药物发现中的先进平台，桥接了结构预测与治疗候选物识别之间的差距。
9 Conclusion
从氨基酸序列精确预测蛋白质三维结构仍是结构生物学的核心挑战。传统建模和对接方法不足以弥合天然产物研究中的结构数据空白——尤其对于孤儿蛋白、表征不良靶点和柔性肽构象。AlphaFold以其高泛化能力和良好校准的置信度指标，开创了人工智能驱动的结构生物学范式，可实现精确的天然产物筛选、多聚体复合物预测和结合模式分析。AF的大规模应用促进了高通量结构预测和虚拟筛选，具有更高精度、效率和更低成本，加速生物活性天然产物的识别、分子机制阐明和基于结构的优化。AF衍生结构洞见有助于深入理解药理学和毒理学过程，共同推动基于天然产物的药物发现变革性范式。AF有望通过基于结构的靶点识别和合理化药物设计推进精准医疗，从而加速基于天然产物治疗药物的临床转化。
